Fomentar la vacunación contra la gripe entre los pacientes de alto riesgo identificados por ML

Fondo

En promedio, el 8 % de la población de EE. UU. se enferma de gripe cada temporada de gripe (Tokars et al. 2018). Desde 2010, la carga anual de enfermedad de la influenza ha incluido entre 9 y 45 millones de enfermedades, entre 140 000 y 810 000 hospitalizaciones y entre 12 000 y 61 000 muertes (CDC 2020). El CDC recomienda la vacunación contra la gripe a todas las personas mayores de 6 meses, con raras excepciones; casi cualquier persona puede beneficiarse de la vacuna, que puede reducir las enfermedades, la falta de trabajo, las hospitalizaciones y la muerte (CDC 2019a). La vacunación contra la influenza será especialmente importante para los pacientes de alto riesgo durante la pandemia de COVID-19 para que se reduzcan los casos de influenza y se conserven los recursos.

Si bien la mayoría se recupera de la influenza sin tratamiento, los ancianos, las personas con comorbilidades y otras personas de alto riesgo pueden experimentar complicaciones como neumonía, otras enfermedades respiratorias y la muerte. Geisinger, un gran sistema de salud en Pensilvania y Nueva Jersey, se asoció con Medial EarlySign (Medial; www.earlysign.com) para desarrollar un algoritmo de aprendizaje automático (ML, por sus siglas en inglés) para identificar a los pacientes en riesgo de enfermedades graves (moderadas a graves) asociadas a la gripe. complicaciones sobre la base de los datos de su historia clínica electrónica (HCE) existente. Geisinger implementará este sistema durante la temporada de gripe 2020-21 y contactará a los pacientes identificados con mensajes especiales (además de los esfuerzos estándar realizados por el sistema de salud cada temporada de gripe) para fomentar la vacunación. La vacunación contra la influenza será especialmente importante para los pacientes de alto riesgo durante la pandemia de COVID-19 para que se reduzcan los casos de influenza y se conserven los recursos.

Los resultados publicados sugieren que los sistemas ML de Medial identifican pacientes de alto riesgo en otros contextos (Goshen et al., 2018; Zack et al., 2019). Sin embargo, hay poca evidencia sobre (a) si informar a los pacientes que están en alto riesgo los hace más propensos a recibir la vacuna; (b) cómo reaccionan los pacientes cuando se les informa que su estado de riesgo es el resultado de un análisis de sus registros de salud; y (c) si informar a los pacientes que su estado de riesgo ha sido determinado por un "algoritmo", por "aprendizaje automático" y/o por "inteligencia artificial" aumentará o disminuirá su probabilidad de vacunarse. Este estudio abordará estos vacíos en la literatura, que son especialmente importantes a la luz del crecimiento futuro anticipado del uso del sistema AI/ML en toda la atención médica.

El algoritmo de Medial es un ejemplo de cómo el intercambio de información de salud interoperable (HIE), la capacidad de la tecnología de información de salud para compartir datos de pacientes, puede mejorar la eficiencia y la eficacia de la atención médica. Sin embargo, es posible que los pacientes no aprecien estos beneficios o el hecho de que la atención médica se ha vuelto sustancialmente más integrada y colaborativa. Una revisión sistemática de las preocupaciones sobre la privacidad de los pacientes acerca de la HIE encontró que entre el 15 y el 74 % de los pacientes expresaron preocupaciones sobre la privacidad, según el estudio, y concluyó que las perspectivas de los pacientes siguen sin comprenderse bien. Un mensaje de divulgación sobre la gripe que hace referencia explícita a una revisión de los registros médicos de los pacientes puede resultar contraproducente, ya que los pacientes reaccionan negativamente ante la sensación de que han perdido el control de sus registros de salud.

Existe evidencia contradictoria sobre cómo las personas responden a los consejos o la información que proviene de un algoritmo o una máquina. Dietvorst et al. (2015) documentaron un patrón de "aversión a los algoritmos", en el que las personas eligen pronósticos algorítmicos humanos inferiores a los superiores, especialmente después de observar que el algoritmo comete un error. Por el contrario, Logg et al. (2018) describieron la "apreciación del algoritmo", en la que las personas seguían más los consejos cuando pensaban que provenían de algoritmos que cuando pensaban que provenían de seres humanos. Finalmente, Bigman y Gray (2019) encontraron aversión a los algoritmos que toman "decisiones morales", incluida una decisión médica (ficticia) de elegir si operar o no a un paciente de alto riesgo. En el entorno actual, el algoritmo simplemente aconseja a los pacientes que tomen una medida (una vacuna anual contra la gripe) que ya es el estándar de atención, y no hay posibilidad de observar una recomendación errónea, por lo que la hipótesis es que la "apreciación del algoritmo" hacer que las personas reaccionen positivamente al ser informados del rol del algoritmo. Por lo tanto, este estudio abordará dos importantes preguntas de investigación:

1. Informar a los pacientes que tienen un alto riesgo de sufrir complicaciones por la influenza (a) ¿aumenta la probabilidad de que reciban la vacuna contra la influenza? y (b) disminuir la probabilidad de que reciban diagnósticos de gripe y/o síntomas similares a los de la gripe en la siguiente temporada de gripe?
2. ¿Informar a los pacientes que su estado de alto riesgo se determinó (a) analizando sus registros médicos (vs. por ningún método especificado); y (b) mediante un algoritmo AI/ML* que analiza sus registros médicos (a diferencia de métodos no especificados o análisis de registros médicos humanos) afectan la probabilidad de que reciban la vacuna contra la influenza y/o diagnósticos de influenza y/o síntomas similares a los de la influenza. en la siguiente temporada de gripe?

Nuestros objetivos específicos son:

1. Evaluar el efecto en las tasas de vacunación contra la influenza de informar a los pacientes del sistema de salud identificados por un análisis de ML de los datos de EHR que tienen un alto riesgo de complicaciones por la influenza que tienen un alto riesgo con (a) ninguna explicación adicional, (b) una explicación de que esta determinación proviene de un análisis de sus registros médicos, y (c) la explicación adicional de que un algoritmo de IA o ML tomó esta determinación.
2. Evaluar los efectos de las mismas tres intervenciones en los diagnósticos de gripe en los mismos pacientes.

Estrategia de investigación

Se incluirán en el estudio los pacientes actuales de Geisinger mayores de 17 años con una o más visitas a un médico de atención primaria (PCP) de Geisinger entre el 1 de enero de 2008 y el 30 de enero de 2020 y sin contraindicaciones para la vacuna contra la gripe. Medial proporcionará puntajes de riesgo de complicaciones de la gripe de su algoritmo ML (basado en datos codificados de EHR), en base a los cuales se incluirá el 10% superior de los pacientes con mayor riesgo. Según el comportamiento anterior y otros predictores en un segundo modelo ML, Medial también proporcionará la probabilidad de que cada paciente se vacune durante la temporada de gripe del estudio; estos valores y las puntuaciones de riesgo primarias se utilizarán como covariables en los análisis de datos exploratorios. El número previsto de pacientes en el 10% superior de riesgo es de 56.000.

En promedio, en las últimas 3 temporadas de gripe, el 55 % de los pacientes de Geisinger mayores de 65 años se vacunan cada temporada, por lo que usaremos esto como una tasa base representativa para una condición de control en nuestro análisis de potencia. El estudio tendrá un poder del 92 % para detectar una diferencia absoluta del 2 % o más en el resultado de la vacunación entre condiciones (55 % frente a 57 %, alfa de dos colas de 0,05), suponiendo que cada condición tendrá 56 000/4= 14.000 pacientes. Para el resultado más raro del diagnóstico de gripe, tenemos un poder del 95 % para detectar una diferencia absoluta del 0,8 % o más, a partir de una tasa estimada del 3,9 % en esta población de alto riesgo (según la estimación de los CDC para personas mayores de 65 años [Tokars et al. ., 2018]) a una tasa del 3,1%.

Los resultados principales del estudio serán las tasas de vacunación contra la influenza y los diagnósticos de influenza durante la temporada 2020-21 (septiembre-marzo) de los pacientes objetivo. También se medirán los resultados exploratorios secundarios: tasas de vacunación contra la influenza y diagnósticos por parte de otros miembros del hogar de pacientes objetivo; índices de vacunación contra la gripe y diagnósticos por parte de pacientes no objetivo a los que se les asignó una puntuación de riesgo que estaba justo por debajo del límite de los pacientes objetivo ("riesgo por debajo del umbral"); tasas de complicaciones de la gripe y síntomas similares a los de la gripe entre los pacientes objetivo, los miembros del hogar y aquellos con riesgo por debajo del umbral; y las tasas de otros resultados relevantes de la utilización de la atención médica, como las visitas a la sala de emergencias y las hospitalizaciones.

Los modelos mixtos lineales generalizados (GLMM) examinarán los resultados primarios del estudio en función de los brazos del estudio (entre sujetos), con los PCP y/o las clínicas visitados por los pacientes incluidos como variables de efectos aleatorios, asumiendo altos coeficientes de correlación intraclase. Los GLMM especificarán una distribución binaria y una función de enlace logarítmico en el caso de variables de resultado dicotómicas (p. ej., vacunación contra la gripe, diagnóstico de gripe) y una distribución binomial negativa y una función de enlace logarítmico en el caso de cualquier variable de conteo altamente sesgada positivamente, como Visitas a la sala de emergencias y hospitalizaciones (donde la dispersión excesiva generalmente permanece en el caso de un modelo de distribución de Poisson). Para estos análisis exploratorios, también se analizará el cambio dentro del paciente (desde el mismo período un año antes). Además, cada paciente recibirá el mismo tipo de comunicación (a/b/c/d) a través de hasta tres modalidades: carta impresa a su dirección postal, SMS a su teléfono móvil y/o mensaje seguro a través del portal para pacientes de Geisinger, según sobre qué información está archivada para cada paciente. Los canales de comunicación utilizados para cada paciente serán covariables en análisis posteriores.

*Nota: El estudio no utilizará necesariamente los términos "AI", "ML" o "algoritmo" en los mensajes a los grupos b, c y d; en cambio, estos mensajes se diseñarán para que sean legibles y comprensibles para la audiencia de pacientes y, al mismo tiempo, incluyan los conceptos clave que diferencian las intervenciones entre sí.